聊天机器人chatbot搭建及思考（TensorFlow）（附代码）

端到端的对话系统

环境

Python 3.7
TensorFlow 1.14

模型结构

使用seq2seq + attention 模型

NLP应用

词向量层

单词->实数向量

• 降低输入维度（one-hot输入维度与词汇表大小同）

• 增加语义信息（稠密向量），在自然语言学习的词向量会将含义相似的词赋予值相近的词向量值

    # 为源语言和目标语言分别定义词向量。
    self.src_embedding = tf.get_variable(
        "src_emb", [SRC_VOCAB_SIZE, HIDDEN_SIZE])
    self.trg_embedding = tf.get_variable(
        "trg_emb", [TRG_VOCAB_SIZE, HIDDEN_SIZE])

    # 将输入和输出单词编号转为词向量。
    src_emb = tf.nn.embedding_lookup(self.src_embedding, src_input)
    trg_emb = tf.nn.embedding_lookup(self.trg_embedding, trg_input)

softmax层

将循环神经网络输出转化为一个单词表中每个单词的输出概率

            # 线性映射，将循环网络输出映射成一个维度与词汇表大小相同的向量
            # softmax->logoits为加和为1的概率
            logits = (tf.matmul(output, self.softmax_weight) + self.softmax_bias)
            # print(logits.shape)
            # 选出最可能的单词编号
            next_id = tf.argmax(logits, axis=1, output_type=tf.int32)

Encoder-Decoder框架

处理输入输出长短不一的多对多文本预测问题

Decoder（解码器）

从上下文的文本信息获取特征，然后预测文本。输入为单词的词向量，输出为softmax层产生单词的概率

        # 这里没有指定init_state，也就是没有使用编码器的输出来初始化输入，而完全依赖
        # 注意力作为信息来源。
        dec_outputs, _ = tf.nn.dynamic_rnn(attention_cell, trg_emb, trg_size, dtype=tf.float32)

Encoder（编码器）

对输入文本信息进行提取，尽量准确高效地表征文本的特征信息。词向量层与LSTM与解码器一样，由于编码阶段未输出，不需要softmax层。

        # 双向循环网络，顶层输出enc_outputs(seq2seq用不到)，代表两个LSTM在每一步的输出。
        enc_outputs, enc_state = tf.nn.bidirectional_dynamic_rnn(self.enc_cell_fw, self.enc_cell_bw, src_emb, src_size, dtype=tf.float32)
        # 将两个LSTM的输出拼接为一个张量。
        enc_outputs = tf.concat([enc_outputs[0], enc_outputs[1]], -1)     

注意力机制

句子较长时，中间向量难以储存足够的信息。注意力机制允许解码器查阅输入句子的单词或片段，所以不需要在中间向量中储存所有信息

左边encoder输入转换为Word embedding，进入LSTM，每个节点上输出hidden state。然后进入右侧LSTM，输出hidden state，两边hidden state作为输入放入attention中计算context vector。

前面的context vector可作为输入和目标的单词串起来作为LSTM输入，又回到一个hidden state，如此往复。

另一方面，context vector和decoder的hidden state合起来，通过非线性转换及softmax最后计算出概率

attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(HIDDEN_SIZE, enc_outputs, memory_sequence_length=src_size)
# 将解码器的循环神经网络self.dec_cell和注意力一起封装成更高层的循环神经网络。
        attention_cell = tf.contrib.seq2seq.AttentionWrapper(self.dec_cell, attention_mechanism, attention_layer_size=HIDDEN_SIZE)

项目结构

Samples_15w：进行训练数据的预处理和存放

**pretreat_0.py：对数据集原始格式清洗**

**choose_some_qa.py：选择一定数量的数据**

Train_15w：存放训练的模型

Tools.py：自行编写的分词等工具，方便调用

To_word_list.py：词汇表产生

To_word_train.py：按照词汇表，将单词对应为编号

Attention_train.py：模型的训练

Attention_test.py：模型的测试

App_test.py：对聊天效果进一步封装

places.py：地名处理

数据集预处理

小黄鸡五十万对语料集

1. pretreat_0.py对问答格式进行处理

   

2. 选择一定数量问答对并分词
   

3. 按照单词词频排序，构建固定大小的词汇表，加入eos, sos, unk
   

4. 按词汇表对将单词映射到编号
   

注意点一：Padding & Batching

样本中，每个句子对通常作为独立数据训练。由于每个句子长短不一，因此放入同一个batch时，需将最短句子补齐至该batch内最长句子相同长度。（tf.data.Dataset的padded_batch函数）

LSTM读取数据时会读取填充位置纳入计算，因此：

读取填充时，跳过这一位置。（tf.nn.dynamic_rnn，读取内容和输入数据长度）使用dynamic_rnn时，每个batch最大长度不需要相同。

设计损失函数时需将填充位置损失的权重设为0，，不影响梯度计算。

测试时相似，输入一个句子，但dynamic_rnn要求batch，所以输入句子整理为大小为1的batch，使用dynamic_rnn构造编码器与训练同。

# 删除内容为空（只包含）的句子和长度过长的句子。
def FilterLength(src_tuple, trg_tuple):
    ((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
    src_len_ok = tf.logical_and(
        tf.greater(src_len, 1), tf.less_equal(src_len, MAX_LEN))
    trg_len_ok = tf.logical_and(
        tf.greater(trg_len, 1), tf.less_equal(trg_len, MAX_LEN))
    return tf.logical_and(src_len_ok, trg_len_ok)
dataset = dataset.filter(FilterLength)

# 解码器输入trg_input，形式如同 X Y Z
# 解码器输出trg_label，形式如同X Y Z 
# 上面从文件中读到的目标句子是X Y Z 的形式，我们需要从中生成 X Y Z
# 形式并加入到Dataset中。
def MakeTrgInput(src_tuple, trg_tuple):
    ((src_input, src_len), (trg_label, trg_len)) = (src_tuple, trg_tuple)
    trg_input = tf.concat([[SOS_ID], trg_label[:-1]], axis=0)
    return ((src_input, src_len), (trg_input, trg_label, trg_len))
dataset = dataset.map(MakeTrgInput)

# 随机打乱训练数据。
dataset = dataset.shuffle(10000)

# 规定填充后输出的数据维度。
padded_shapes = (
    (tf.TensorShape([None]),      # 源句子是长度未知的向量
     tf.TensorShape([])),         # 源句子长度是单个数字
    (tf.TensorShape([None]),      # 目标句子（解码器输入）是长度未知的向量
     tf.TensorShape([None]),      # 目标句子（解码器目标输出）是长度未知的向量
     tf.TensorShape([])))         # 目标句子长度是单个数字
# 调用padded_batch方法进行batching操作。
batched_dataset = dataset.padded_batch(batch_size, padded_shapes)
return batched_dataset

注意点二：解码的循环结构

训练时解码器可以从输入中读取完整的训练句子，所以可以用dynamic_rnn展开。但在测试解码中，只能看到输入句子，看不到目标句子。

解码器读入，预测第一个单词，再将预测的单词输入到第二步，再预测第二个……所以使用循环结构。

Tf.while_loop实现， 循环继续的条件、循环体、初始

天气查询（意图识别）

当用户输入“明天天气如何？、明天是晴天还是雨天？明天需要抹防晒霜吗？”聊天机器人只需要理解用户是想查询天气

意图识别方法：

（1）规则模板：

通过专家手工编写规则模板来识别意图。比如：买 .* 《地名》 .* 《地名》.* 机票 =》 买机票。缺点是人工编写工作量大，易冲突；规则模板覆盖面较小；适用于垂直领域，在通用领域则无法推广

（2）基于统计：

使用意图词典做词频统计，取词频最大的就是对应的意图。覆盖面比规则模板广，但容易误识别

（3）基于语法：

先对句子做语法分析，找到中心动词及名词，再根据意图词典即可识别出意图来。使用语法分析使得准确度更高了，但增加了语法识别的难度。

（4）基于机器学习和深度学习：

把意图识别看成是文本分类任务。进行语料标注，分词，和模型的搭建

天气查询（基于规则）

过程

检测对话中是否含有关于天气查询的关键词，若包含：

​ 检测对话中是否含有具体的地点，若包含：

	调用青云天气API，提纯后返回天气信息

否则：

	询问地点

	若检索对话得到地点：

		返回天气信息

	没有地点：

		放弃，并将人类对话进行预测输出

否则：

继续对话

地名处理

搜狗词库，提取每个地名的关键词，方便后续匹配

预处理（分词or分字）

分词：jieba中文分词

分字：自己编写，中文按字切分，英文、数字、表情按词（空格）切分

效果：两种分词效果区分不大

词汇表：以15w对问答为例，分词词汇表60000+，分字词汇表13000

单个字的语义信息不明确，用字建模使捕捉字与字之间依赖关系成本提高。但单个字的词汇表大小远远小于按词切分，对于训练成本有益

Chatbot评价问题

难以实现自动化测评，主要的原因就是聊天场景的语义、语言的多样性，大部分都是靠人工评测，但是人工评测最大的问题是人工评测没办法同一批人工去评测，因此造成模型之间其实很难做完全客观的评测

一个也许可行的直接的思路：我们能不能多给一些ground truth的Response？如果足够多，那么如果生成的回复能跟其中某一个有一定程度的匹配，那么这个回复就可以认为与该response再讲同一个回复的方向，因此可以用传统的metric进行度量

最终效果

部分参数设置

训练数据集大小	15w****对	Batch大小	200
词汇表大小	13000	句子最大单词数	30
LSTM隐藏层规模	1024	节点不被dropout	0.8
LSTM层数	2	切分方式	按字
Softmax层与词向量层共享参数	True	解码最大步数	100

最终效果

由于训练集的大小和整体风格限制，所以很多日常对话无法完美应对，并且回复中略显色情或暴力

代码fork

由《TensorFlow实战Google深度学习框架》翻译代码改写
GitHub： GitHub